一个买者
当数据中没有系统误差时,标准误差是从采样数据估算不确定性的有用方法。 该假设在此情况下具有可疑的有效性,因为(a)KDE映射将局部存在一定的误差,这些误差可能会在各层之间系统地持续存在;以及(b)由于选择了内核半径(或“带宽”,可能会导致不确定性的巨大组成部分) ”)将不会反映在这些地图的任何给定集合中。
一些选择
尽管如此,描绘一组相关的,并置的(“堆叠的”)地图之间的可变性是一个好主意-前提是您记得刚才描述的限制。在这种情况下,很自然可以采用几种局部变异性度量,包括:
值的范围,以加法(最大值减去最小值)或乘以(最大值除以最小值)表示。
值的方差或标准偏差。其乘法形式是值的对数的方差或标准偏差。
色散的可靠估计器,例如四分位数间距(或第三四分位数与第一四分位数的比率)。
在许多方面,乘积措施可能更适合密度,因为每英亩100棵和101棵树之间的差异可能是无关紧要的,而每英亩2棵和1棵树之间的差异可能相对重要。两者都显示101-100 = 2-1 = 1的相同(加法范围),但它们的乘法范围1.01和2.00却大不相同。(请注意,乘法范围始终超过1,因此2.00是1.0的100倍。)
计算方式
计算这些度量需要某种形式的本地统计数据。Spatial Analyst中 的像元统计功能将计算方差,范围和标准差。局部分位数可以用rank找到。与其对要使用的等级进行挑剔,不如在四分位数附近选择方便的等级。为了找到它们,使n为堆栈中的网格数。中位数的等级为(n + 1)/ 2-可能不是整数,表示应该通过对n / 2和n / 2 + 1等级进行平均来计算,这两个等级都近似于中位数。为了近似四分位数,然后将(n + 1)/ 2向下舍入到最接近的整数,然后再次加1并除以2。令该数字为r。采用r和n +1- r用于四分位数的等级。
例如,如果堆栈具有n = 6个网格,则(n + 1)/ 2向下舍入为3,而(3 + 1)/ 2 = 2则不需要舍入。对等级使用r = 2和r = 6 + 1-2 = 5。实际上,此过程将在每个像元中返回六个值中的第二低(r = 2)和第二高(r = 5)值。您可以映射它们的差异或比率。